论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
代码：https://github.com/sfzhang15/ATSS
1.摘要本文提出anchor-based与anchor-free目标检测方法的核心区别在于对正负样本的定义不一样，并认为这点是导致anchor-based与anchor-free两者性能差异的关键。如果适用相同的正负样本定义进行训练的话，那么他们之间的性能差异不大。
然后，提出了一个自适应训练样本选择方法（ATSS），根据目标框的统计学特征自动选择正负样本。
在MS COCO上进行的广泛实验支持我们的上述分析和结论。通过新引入的ATSS，我们在不引入任何开销的情况下，将先进的检测器大幅提高到50.7%的AP。
2.介绍之前目标检测的方法会分为两类，一类是one-stage一阶段的目标检测方法，另外一种是two-stage两阶段的目标检测方法。这些方法都是给出大量的预选框，并预测一些类别，会经过一次或多次的精修这些预选框的坐标点位置。two-stage相对来说会更多的精修，精度也会更高但是时间效率也会低一些。一些性能较好的方法都是基于two-stage anchor based方法的。
由于FPN和Focal Loss的出现，学术界把视野移向anchor-free的方法。anchor-free的方法没有那些候选框。一种方法是首先定位几个预先定义的或自学习的关键点，然后约束物体的空间范围。我们把这种类型的无锚检测器称为基于关键点的方法。另一种方法是使用物体的中心点或区域来定义正样本，然后预测正样本到物体边界的四个距离。我们称这种无锚检测器为基于中心的方法。这些无锚检测器能够消除那些与锚有关的超参数，并取得了与基于锚的检测器相似的性能，使其在泛化能力方面更具潜力。
基于中心点的anchor-free方法与anchor-based方法有些类似，其中将点作为预设样本而不是锚点框。拿一阶段anchor-based方法RetinaNet与基于中心点的anchor-free方法FCOS，他们关键的区别在于（1）每个位置上铺设的锚框的数量。RetinaNet每个位置多个锚框，FCOS每个位置只有一个锚点。（2）正负样本的定义不同。RetinaNet利用IoU来定义正负样本，而FCOS利用空间和尺度限制来选择样本。（3）回归初始状态不同。RetinaNet从预设的锚框为起点进行回归，而FCOS的回归起点是该位置的锚点。
